《Applied Sciences》：LeukSNN: A Novel Spiking Neural Network for Efficient Acute Lymphoblastic Leukemia Diagnosis
编辑推荐：
急性淋巴细胞白血病（Acute Lymphoblastic Leukemia, ALL）是一种快速进展的血液癌症，需要及时准确的诊断，尤其是在儿科患者中。传统诊断依赖于血液学家对外周血涂片（peripheral blood smear, PBS）图像的手工检查
急性淋巴细胞白血病（Acute Lymphoblastic Leukemia, ALL）是一种快速进展的血液癌症，需要及时准确的诊断，尤其是在儿科患者中。传统诊断依赖于血液学家对外周血涂片（peripheral blood smear, PBS）图像的手工检查，该方法耗时、主观且易出错。尽管深度学习方法在医学影像中显示出高准确性，但许多现有模型计算量大，限制了其在资源受限的临床环境中的应用。为解决这些挑战，研究人员提出了LeukSNN，一种轻量级脉冲神经网络（Spiking Neural Network, SNN），用于从外周血涂片图像中自动检测ALL。与传统的卷积神经网络（Convolutional Neural Network, CNN）不同，SNN采用稀疏的事件驱动计算，可大幅降低计算和能量需求，使其适用于低资源医疗环境。所提出的架构在SNN框架内结合了深度可分离卷积（depthwise separable convolutions）、残差连接（residual connections）和注意力机制（attention mechanisms），以降低计算成本的同时实现高分类性能。在三个公开数据集上的实验表明，准确率达到99.91–100%，而所需的乘法运算和加法运算分别仅为当前最先进高效方法的8%和28%。这些结果表明，LeukSNN能够在基准数据集上实现高精度且计算高效的ALL分类，凸显了基于SNN的方法在资源受限医疗环境中未来研究的潜力。
论文解读文章：面向高效急性淋巴细胞白血病诊断的新型脉冲神经网络LeukSNN
研究背景与问题：急性淋巴细胞白血病（Acute Lymphoblastic Leukemia, ALL）是儿童最常见的血癌，其快速进展特性要求及时且准确的诊断。传统诊断依赖血液学家手工检查外周血涂片（peripheral blood smear, PBS）图像，此过程耗时、主观且易受观察者差异影响。尽管深度学习（如卷积神经网络CNN）在医学图像分析中取得高精度，但现有模型通常计算量大，难以部署于资源受限的临床环境（如小型医院）。为此，研究人员旨在开发一种兼具高精度与低计算成本的轻量级模型。
研究内容与意义：研究人员提出了LeukSNN，一种基于脉冲神经网络（Spiking Neural Network, SNN）的自动ALL检测框架。该模型通过整合深度可分离卷积、残差连接和注意力机制，在SNN框架内实现高效特征提取与分类。在三个公开基准数据集（ALL-IDB1、ALL-IDB2、ALLID）上，LeukSNN分别达到100%、100%和99.91%的分类准确率，同时所需乘法运算和加法运算仅为当前最先进高效方法的8%和28%。该研究首次将SNN应用于ALL分类，证明了SNN在资源受限医疗环境中实现高效、准确诊断的潜力。论文发表在《Applied Sciences》。
主要关键技术方法：研究人员采用Leaky Integrate-and-Fire (LIF) 神经元模型，通过替代梯度方法进行训练。核心模块为Spiking Attention Depthwise Separable Convolution (SADS Conv)，其结构包括：深度可分离卷积（3×3核，步长2）、空间注意力（基于CBAM）、LIF层、逐点卷积、通道注意力（基于CBAM与ECA）以及残差连接（1×1卷积）。分类头对最后一个SADS Conv层的输出依次进行空间平均池化、时间平均池化，再经全连接层输出最终分类结果。训练使用Adam优化器（初始学习率0.001），采用5折交叉验证，并对每个数据集分别设置批次大小、训练轮数及时间步数（T=3或4）。数据增强包括随机旋转、翻转等。样本来源：ALL-IDB1和ALL-IDB2来自米兰大学（Università degli Studi di Milano），ALLID来自伊朗德黑兰的Taleqani医院。
研究结果：
ALL-IDB1数据集结果：LeukSNN达到100%准确率、精确率、召回率和F1值。与CoTCoNet和EfficientNet-V2M+VKCS相比，乘法运算量分别减少至1/72.67和1/128，加法运算量分别减少至1/10.9和1/19.2，能耗分别降至1/62和1/147。所有LIF层平均放电率为25.59%，进一步降低了加法运算量。
ALL-IDB2数据集结果：LeukSNN同样达到100%全指标。与CoTCoNet相比，乘法运算量减少至1/109，加法运算量减少至1/24.22，能耗降至1/46.88；与Wavelet Pooling+ReliefF相比，乘法运算量减少至1/204.5，加法运算量减少至1/45.44，能耗降至1/117.56。平均放电率为26.48%。与MobileNet-V2+ShuffleNet相比，LeukSNN在准确率、精确率、召回率和F1值上均提升1.54%，同时乘法、加法和能耗分别降至0.05倍、0.20倍和0.08倍。
ALLID数据集结果：LeukSNN达到99.91%准确率、99.87%精确率、99.92%召回率和99.89%F1值。良性样本分类正确率100%，Early Pre-B、Pre-B和Pro-B子类召回率分别约为99.91%、99.89%和99.89%。错误分类仅发生在Early Pre-B与良性、Pre-B与Pro-B、Pro-B与良性之间，各约0.1%。平均放电率为26.42%，仅需0.02亿次乘法和0.07亿次加法。与Wavelet Pooling+ReliefF相比，乘法运算减少4.06亿次，加法减少3.86亿次，能耗降低18.69 mJ；与FDP-Net相比，乘法运算减少约92%，加法减少约72%，能耗降低约89.7%（1.04 mJ）。
讨论部分总结：
5.1 注意力与残差连接效应：消融实验表明，单独引入注意力机制使准确率提升1.2%，单独引入残差连接提升2.49%，两者结合（LeukSNN）提升2.68%，且标准偏差降至0.08。残差连接对性能提升贡献更大，且几乎不增加计算成本。注意力放置和配置分析显示，残差连接置于逐点卷积后效果最佳；通道注意力略优于空间注意力；所提注意力配置（空间+通道）与完整CBAM精度相当，但能耗低约20%（0.12 mJ vs 0.15 mJ）。
5.2 时间步数对准确性和复杂度的影响：T=3时达到最高准确率99.91%，T=1或2时准确率下降0.08%，T=4或6时准确率不再提升但能耗增加。因此选择T=3作为最优折中。
5.3 批次大小、训练轮数和学习率的影响：批次大小16提供最佳稳定性（标准差0.08）和最高F1值；训练轮数100时达到最高准确率且稳定；学习率1×10
-3获得最高准确率99.91%和F1值99.89%。
5.4 LeukSNN与CNN比较：与不含脉冲层的深度可分离CNN（DS-CNN）相比，LeukSNN准确率大幅提升（99.91% vs 较低值）；与非脉冲版本的SADS Conv CNN（LeukCNN）相比，两者精度相当，但LeukSNN能耗仅为LeukCNN的约1/2.5，证明脉冲计算的优势。
5.5 模型可解释性与热力图可视化：采用改进的Spike Activity Mapping (SAM)方法生成热力图，显示LeukSNN聚焦于白细胞核及周围形态区域，而非背景伪影，增强了模型可解释性。
研究结论翻译：急性淋巴细胞白血病是儿童最常见的白血病形式。快速准确的诊断对于有效治疗至关重要。在本工作中，研究人员提出了一种用于急性淋巴细胞白血病检测的新型SNN。该网络通过结合注意力机制、残差连接、深度可分离卷积和脉冲神经元，为现有深度学习模型提供了一种计算高效的替代方案。通过在三个基准数据集上展示最先进的准确率，所提出的模型凸显了基于SNN的计算高效方法在资源受限环境中未来部署的潜力。尽管所提出的模型展现出显著的计算效率和高的分类准确性，但仍存在若干局限性。首先，所有三个数据集中相对较高的放电率阻碍了网络达到某些SNN架构所能提供的最大效率。其次，本研究的范围仅限于三个相对较小的数据集，可能无法完全捕捉每个类别白细胞中存在的所有变异。此外，由于评估数据集缺乏患者级别元数据，交叉验证划分在图像级别而非患者级别进行，这可能导致训练集和验证集之间存在残留相似性。最后，尽管性能强劲，所提出的模型并未达到现有方法报告的最高准确率。为解决这些局限性，未来研究应在具有患者级别元数据的独立多中心临床数据集上评估该模型，以建立患者独立的泛化性能并更好地评估临床适用性。此外，还可研究整合不同的注意力变体（如时间注意力或自注意力）以进一步提升分类性能，以及探索降低和改善神经元放电率的方法以进一步提高计算效率。尽管如此，研究人员希望本文提出的方法能激励其他研究者探索更高效的医疗相关任务方法。
